CN117787865A - 基于rfid技术的电商库存状态智能识别方法及系统 - Google Patents
基于rfid技术的电商库存状态智能识别方法及系统 Download PDFInfo
- Publication number
- CN117787865A CN117787865A CN202410199481.7A CN202410199481A CN117787865A CN 117787865 A CN117787865 A CN 117787865A CN 202410199481 A CN202410199481 A CN 202410199481A CN 117787865 A CN117787865 A CN 117787865A
- Authority
- CN
- China
- Prior art keywords
- inventory
- article
- articles
- preferred feature
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 230000008859 change Effects 0.000 claims abstract description 74
- 230000007704 transition Effects 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- UXFQFBNBSPQBJW-UHFFFAOYSA-N 2-amino-2-methylpropane-1,3-diol Chemical compound OCC(N)(C)CO UXFQFBNBSPQBJW-UHFFFAOYSA-N 0.000 claims description 4
- 101150035093 AMPD gene Proteins 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及库存状态预测技术领域,具体涉及一种基于RFID技术的电商库存状态智能识别方法及系统。该发明根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价;对所有物品进行聚类,获得多个物品聚类簇对应的多种优选特征物品;根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品之间的相对关联评价;进一步获得所有物品的状态转移矩阵中每个元素的加权原始权值;获得每种物品在下一时刻的预测库存数量。本发明通过获得每种物品准确的库存数值变化状态,提高库存状态识别的准确性。
Description
技术领域
本发明涉及库存状态预测技术领域,具体涉及一种基于RFID技术的电商库存状态智能识别方法及系统。
背景技术
电商库存状态识别系统是用于实时监测和识别电商平台上的库存状态的,通过使用RFID标签和读写器,可以追踪和管理商品的进出库情况,并提供准确的库存信息,以帮助电商企业实现高效的库存管理和订单处理。由于电商库存状态在进行识别过程中,不同的客户需求会产生不同的货物消耗,但电商数据系统并不能直接感知客户的需求变化,需要通过库存消耗的状态对用户的需求变化情况进行分析,并及时进行调整。
现有技术中,对于库存状态的感知与识别通常使用EKF算法进行处理,不同的库存货物变化情况会形成变形情况差异,但由于EKF算法对于不同的物品库存量变化情况使用相同的度量尺度,导致部分普遍库存量变化快的物品的库存变化数据会影响其他物品的状态识别,未能获得每种物品准确的库存数量变化状态,库存状态识别的准确性较差,降低电商库存状态的识别智能性。
发明内容
为了解决未能获得每种物品准确的库存数量变化状态,库存状态识别的准确性较差的技术问题,本发明的目的在于提供一种基于RFID技术的电商库存状态智能识别方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于RFID技术的电商库存状态智能识别方法,所述方法包括:
获取电商物品在当前时刻的历史范围内每一时刻的库存数量,构成物品库存曲线;
获得每种物品的物品库存曲线的残差项,根据所述残差项的变化趋势和时序位置获得高库存变动时刻;根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价;根据每种物品的所述积压评价对所有物品进行聚类,获得多个物品聚类簇,并获得多种优选特征物品;
根据每种物品在当前时刻与相邻历史时刻之间库存数量的差异,分别以优选特征物品和所有物品的数据维度构建系统状态向量,获得当前时刻的状态转移矩阵;
根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价;根据所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的相对关联评价,获得所有物品的状态转移矩阵中每个元素的加权原始权值;根据所述加权原始权值,获得每种物品在下一时刻的预测库存数量;
根据每种物品的所述预测库存数量对库存数量进行调度。
进一步地,所述积压评价的获取方法包括:
根据积压评价的计算公式获得积压评价,积压评价的获取公式为:
;其中,/>表示第/>种物品的积压评价;/>表示高库存变动时刻;/>表示第/>种物品的高库存变动时刻之间的差异均值;/>表示第/>时刻的库存数量;/>表示第/>时刻的库存数量;/>表示第/>时刻与相邻第/>时刻之间库存数量的差异最大值;/>表示当前时刻的历史范围内库存数量无变动的时刻数量;/>表示第/>种物品在当前时刻的历史范围内的所有时刻数量;/>表示第/>时刻的库存数量;/>表示第/>种物品的库存数量均值;/>表示第/>种物品的库存数量的标准差;/>表示调节参数。
进一步地,所述优选特征物品的获取方法包括:
根据每种物品的所述积压评价,采用ISODATA算法对所有物品进行聚类,获得多个物品聚类簇;选取每个所述物品聚类簇的中心点对应的物品作为优选特征物品,获得多个优选特征物品。
进一步地,所述状态转移矩阵的获取方法包括:
分别以优选特征物品和所有物品的数据维度,计算每种物品在当前时刻与相邻历史时刻之间库存数量的差异,作为构建系统状态向量中的元素;将系统状态向量输入EKF滤波器,获得当前时刻的状态转移矩阵。
进一步地,所述相对关联评价的获取方法包括:
计算优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值之和,作为每种优选特征物品和每个其他优选特征物品的合成元素值;
计算每种优选特征物品和所有其他优选特征物品的所述合成元素值的均值,作为第一元素均值;
计算每种优选特征物品和每种其他优选特征物品的所述合成元素值与所述第一元素均值的差值,并进行正相关映射,作为第一评价;
将每种优选特征物品和每种其他优选特征物品的所述合成元素值进行归一化,计算归一化结果与所述第一评价的乘积,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价。
进一步地,所述加权原始权值的获取方法包括:
将每种优选特征物品之间的相对关联评价进行归一化,获得归一化相对关联评价;
计算所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的所述归一化相对关联评价的乘积,作为第一权值;
计算所述第一权值和元素值之和,获得所有物品的状态转移矩阵中每个元素的加权原始权值。
进一步地,所述预测库存数量的获取方法包括:
根据所有物品的状态转移矩阵中每个元素的加权原始权值,获得所有物品更新后的状态转移矩阵;采用EKF算法获得所有物品在下一时刻的系统状态向量;
计算下一时刻的系统状态向量中元素值与对应物品在当前时刻下的库存数量之和,获得每种物品在下一时刻的预测库存数量。
进一步地,所述正相关映射的获取方法包括:通过以自然常数为底的指数函数进行正相关映射。
进一步地,所述高库存变动时刻的获取方法包括:
采用STL算法对每种物品的物品库存曲线进行分解,获得每种物品的残差项;
采用AMPD算法获得每种物品的所述残差项的极大残差值,将极大残差值对应物品库存曲线上的时刻,作为高库存变动时刻。
本发明还提出了一种基于RFID技术的电商库存状态智能识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现任意一项所述一种基于RFID技术的电商库存状态智能识别方法的步骤。
本发明具有如下有益效果:
本发明通过获得每种物品的物品库存曲线的残差项,根据残差项的变化趋势和时序位置获得高库存变动时刻,准确地了解库存数量的动态变化,了解库存数量变化较大的时刻,有助于发现库存管理中的问题或异常情况;根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价,了解每种物品的库存状态和需求情况,判断物品是否容易被消耗;根据每种物品的积压评价对所有物品进行聚类,获得多个物品聚类簇,并获得多种优选特征物品,可以对具有相似积压评价的物品进行分组,并识别出最具代表性的物品,提高分析的效率与精度;根据每种物品在当前时刻与相邻历史时刻之间库存数量的差异,分别以优选特征物品和所有物品的数据维度构建系统状态向量,获得当前时刻的状态转移矩阵,分析系统状态的变化规律,预测未来时刻的库存状态;根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价,识别不同优选特征物品之间的关联性;根据所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的相对关联评价,获得所有物品的状态转移矩阵中每个元素的加权原始权值,更准确地预测所有物品的库存状态;根据加权原始权值,获得每种物品在下一时刻的预测库存数量,可以提前进行库存调整或采购计划,避免缺货或积压的情况;对库存数量进行调度。本发明通过获得每种物品准确的库存数值变化状态,提高库存状态识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于RFID技术的电商库存状态智能识别方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于RFID技术的电商库存状态智能识别方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于RFID技术的电商库存状态智能识别方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于RFID技术的电商库存状态智能识别方法的流程图,具体方法包括:
步骤S1:获取电商物品在当前时刻的历史范围内每一时刻下的库存数量,构成物品库存曲线。
在本发明的实施例中,考虑到不同物品的库存数量变化情况会有差异,部分普遍库存数量变化快的物品的库存变化数据会影响其他物品的状态识别,通过布置RFID单元:在每种物品上附加RFID标签,每个RFID标签都包含一个唯一的识别码,用于标识物品;其次,在仓库和销售点等关键位置安装RFID读写器,实时扫描和读取靠近的RFID标签上的信息,读写器需要与中心计算机进行连接,以确保数据的传输和存储;进而获取电商物品在当前时刻的历史范围内每一时刻下的库存数量,构成物品库存曲线。以每一时刻为横轴,以对应库存数量为纵轴。
需要说明的是,在本发明的一个实施例中,时刻之间的间隔为1min;在本发明的其他实施例中,时刻间隔之间的大小可根据具体情况具体设置,在此不做限定及赘述。
步骤S2:获得每种物品的物品库存曲线的残差项,根据残差项的变化趋势和时序位置获得高库存变动时刻;根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价;根据每种物品的积压评价对所有物品进行聚类,获得多个物品聚类簇,并获得多种优选特征物品。
残差项表示实际库存数量与预期库存数量之间的差异;当库存数量出现异常时,这种差异可能会显著增加,获得每种物品的物品库存曲线的残差项;残差项越大,物品的库存数量状态变化越明显,越可能存在大量的需求或供应波动;通过分析残差项的变化趋势,可以了解库存数量的非正常波动对应的时刻,及时发现并应对潜在风险。根据残差项的变化趋势和时序位置获得高库存变动时刻。
优选地,在本发明的一个实施例中,高库存变动时刻的获取方法为:
为了了解每种物品库数量变化的特征和规律,采用STL算法对每种物品的物品库存曲线进行分解,获得每种物品的残差项;采用AMPD算法获得每种物品的参差项的极大残差值,将极大残差值对应物品库存曲线上的时刻,作为高库存变动时刻。
要说明的是,具体STL算法和AMPD算法为本领域技术人员熟知的技术手段,在此不做赘述。
由于不同的客户需求会产生不同的物品消耗,以及可能在不同时间受到市场趋势、促销活动或其他外部因素的影响,导致库存数量变动的差异;通过分析每种物品的高库存变动时刻,可以发现物品在哪些时刻的库存数量变化出现异常,高库存变动时刻之间的差异越小,物品的库存数量消耗越大;库存数量的差异变化反映了库存管理的效率和市场需求的变化,每一时刻之间库存数量的差异越大,物品的消耗越大,市场需求越大,越需要进行库存管理;库存数量的分布变化特征描述了库存数量的集中或分散程度,可以判断库存状态是否健康、是否存在积压风险,若库存数量较长时间集中分布在某个状态下,物品的市场需求较差,越有可能存在积压;为了更加全面地了解其库存状况,根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价。
优选地,在本发明的一个实施例中,积压评价的获取方法为:
根据积压评价的计算公式获得积压评价,积压评价的获取公式为:
;
其中,表示第/>种物品的积压评价;/>表示高库存变动时刻;/>表示第/>种物品的高库存变动时刻之间的差异均值;/>表示第/>时刻的库存数量;/>表示第/>时刻的库存数量;/>表示第/>时刻与相邻第/>时刻之间库存数量的差异最大值;/>表示当前时刻的历史范围内库存数量无变动的时刻数量;/>表示第/>种物品在当前时刻的历史范围内的所有时刻数量;/>表示第/>时刻的库存数量;/>表示第/>种物品的库存数量均值;/>表示第/>种物品的库存数量的标准差;/>表示取最大值函数;/>表示调节参数,取经验值为1。
在积压评价的获取公式中,表示第/>种物品的高库存变动时刻之间的差异均值与相邻时刻之间库存数量的差异最大值和调节参数之和的比值,比值越大,物品的高库存变动时刻之间差异越大,物品的库存数量变化越小,相邻时刻之间库存数量的差异最大值越小,越存在较小的库存数量变化,说明物品属于少量库存数量变化,积压评价越大;/>表示当前时刻的历史范围内库存无变动的时刻占所有时刻的比值,比值越大,物品库存无变动的时间越长,说明物品库存数量变化状态越小,积压评价越大;表示第/>种物品第/>时刻的库存数量变化情况的峰度值,峰度值越大,表征越朝着某一时刻进行积压的程度越大,也即该积压过程库存数量的分布越明显;表示所有时刻的库存数量变化情况的峰度值,峰度值越大,表明库存数量会在较多时刻内保持明显的特征,库存数量相对集中,进行积压的程度越大,积压评价越大。
为了避免物品种类过多造成数据维度过高,且相似积压评价的物品种类冗余增大计算量,将相似积压评价的物品进行整体分析。通过聚类,将具有相似积压评价的物品归为同一簇,可以发现具有类似库存管理特征和需求的物品组;选取代表物品聚类簇的核心特征的优选特征物品,更好的理解库存状况和需求特征。所以根据每种物品的积压评价对所有物品进行聚类,获得多个物品聚类簇,并获得多种优选特征物品。
优选地,在本发明的一个实施例中,优选特征物品的获取方法为:
根据每种物品的积压评价,采用ISODATA算法对所有物品进行聚类,获得多个物品聚类簇;选取每种物品聚类簇的中心点对应的物品作为优选特征物品,获得多个优选特征物品,可以反映物品聚类簇的整体特征和趋势。
需要说明的是,具体ISODATA算法为本领域技术人员数值的技术手段,在此不做赘述。
步骤S3:根据每种物品在当前时刻与相邻历史时刻之间库存数量的差异,分别以优选特征物品和所有物品的数据维度构建系统状态向量,获得当前时刻的状态转移矩阵。
库存数量是一个随时间变化的时间序列数据,通过分析当前时刻与相邻历史时刻之间的库存差异,可以捕捉到库存数量的动态变化;优选特征物品和所有物品的数据维度提供了不同的信息,优选特征物品代表了所在物品聚类簇的特征和行为,是最具显著特征和行为的物品,而所有物品的数据维度则涵盖了更全面的库存信息,选择不同的数据维度构建系统状态向量,可以更好地描述和解释库存系统的不同方面,更全面地考虑库存系统的各种因素,从而提高状态转移矩阵的预测精度。状态转移矩阵描述了库存数量状态的动态变化,可以对未来库存状态进行预测,为库存管理决策提供依据。所以根据每种物品在当前时刻与相邻历史时刻之间库存数量的差异,分别以优选特征物品和所有物品的数据维度构建系统状态向量,获得当前时刻的状态转移矩阵。
优选地,在本发明的一个实施例中,状态转移矩阵的获取方法为:
分别以优选特征物品和所有物品的数据维度,计算每种物品在当前时刻与相邻历史时刻之间库存数量的差异,作为构建系统状态向量中的元素;将系统状态向量输入EKF滤波器,获得当前时刻的状态转移矩阵。
需要说明的是,具体EKF算法为本领域技术人员数值的技术手段,在此不做赘述。
步骤S4:根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价;根据所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的相对关联评价,获得所有物品的状态转移矩阵中每个元素的加权原始权值;根据加权原始权值,获得每种物品在下一时刻的预测库存数量。
由于优选特征物品能够更好地代表其所在物品聚类簇的特征和行为,提高状态估计的准确性和代表性;通过比较优选特征物品之间的状态转移矩阵元素值,可以分析它们之间的关联程度,反映了不同特征物品在库存系统中的相互影响和依赖关系,更准确的分析物品的库存数量变化情况;元素值越大,优选特征物品之间越可能存在较大的关联特征,物品的库存数量更容易与其他物品联动变更;所以根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价。
优选地,在本发明的一个实施例中,相对关联评价的获取方法为:
计算优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值之和,作为每种优选特征物品和每个其他优选特征物品的合成元素值;计算每种优选特征物品和所有其他优选特征物品的合成元素值的均值,作为第一元素均值;计算每种优选特征物品和每种其他优选特征物品的合成元素值与第一元素均值的差值,并进行正相关映射,作为第一评价;将每种优选特征物品和每种其他优选特征物品的合成元素值进行归一化,计算归一化结果与第一评价的乘积,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价。在本发明的一个实施例中,相对关联评价的公式表示为:
;
其中,表示优选特征物品/>相对其他优选特征物品/>的相对关联评价;表示优选特征物品/>和其他优选特征物品/>的合成元素值;/>表示优选特征物品的所有合成元素值的均值;/>表示优选特征物品在当前时刻/>的状态转移矩阵;表示状态转移矩阵/>中元素最大值;/>表示状态转移矩阵/>中元素最小值;/>表示取最大值函数;/>表示取最小值函数;/>表示自然常数。
在相对关联评价的公式中,表示对优选特征物品和其他优选特征物品/>的合成元素值进行归一化,每种优选特征物品的合成元素值越大,优选特征物品相对其他优选特征物品之间的库存数量变化相关性越大,相对关联评价越大;表示每种优选特征物品和每种其他优选特征物品的合成元素值与第一元素均值的差值,通过以自然常数为底的指数函数进行正相关映射,获得第一评价,差值越大,优选特征物品的合成元素值的显著性越高,对应优选特征物品之间的关联越大,第一评价越大,相对关联性越大。
需要说明的是,在本发明的一个实施例中,在优选特征物品的状态转移矩阵中,对于优选特征物品和其他优选特征物品/>,有/>和/>两个位置维度的元素值,获得对应的合成元素值;正相关映射的获取方法为:通过以自然常数为底的指数函数进行正相关映射;在本发明的其他实施例中也可通过基础数学运算构建正相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
为了更全面地考虑库存系统的各种因素和动态变化,结合所有物品的状态转移矩阵与优选特征物品的相对关联评价进行分析;所有物品的状态转移矩阵中元素值越大,库存数量变化越明显;由于优选特征物品可以代表物品聚类簇内库存数量变化,相对关联评价可以对不同物品之间的状态转移进行权重调整,从而更好地反映库存系统的真实情况;当元素值对应物品聚类簇内优选特征物品的相对关联评价越大,物品之间的关联程度越大,加权原始权值越大,更加准确地预测库存系统的状态变化。根据所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的相对关联评价,获得所有物品的状态转移矩阵中每个元素的加权原始权值。
优选地,在本发明的一个实施例中,加权原始权值的获取方法为:
将每种优选特征物品之间的相对关联评价进行归一化,获得归一化相对关联评价;计算所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的归一化相对关联评价的乘积,作为第一权值;计算第一权值和元素值之和,获得所有物品的状态转移矩阵中每个元素的加权原始权值。在本发明的一个实施例中,加权原始权值的公式表示为:
;
其中,表示每个元素值的加权原始权值;/>表示所有物品的状态转移矩阵中的元素值;/>表示元素值对应物品聚类簇内优选特征物品/>相对其他优选特征物品/>的归一化相对关联评价。
在加权原始值的公式中,表示第一权值,元素值越大,对应优选特征物品的相对关联评价越大,优选特征物品相对其他优选特征物品的关联性越大,第一权值越大,加权原始权值越大;根据相对关联评价赋予不同的权重,使得有更准确的库存感知效果,库存状态识别更准确。
由于对于不同物品的库存数量变化情况使用相同的度量尺度,部分库存数量变化较快的物品会影响到其他货物的状态识别,通过使用加权原始权值,可以更好地考虑不同物品之间的相互影响和依赖关系,从而更准确地预测每种物品在未来时刻的状态。所以根据加权原始权值,获得每种物品在下一时刻的预测库存数量。
优选地,在本发明的一个实施例中,预测库存数量的获取方法包括:
根据所有物品的状态转移矩阵中每个元素的加权原始权值,获得所有物品更新后的状态转移矩阵;采用EKF算法获得所有物品在下一时刻的系统状态向量;计算下一时刻的系统状态向量中元素值与对应物品在当前时刻下的库存数量之和,获得每种物品在下一时刻的预测库存数量。
步骤S5:根据每种物品的预测库存数量对库存数量进行调度。
准确的预测库存数量可以及时调整库存,帮助维持合适的库存水平,避免库存过剩导致的资金占用和库存短缺影响销售;根据每种物品的预测库存数量对库存数量进行调度。
在本发明的一个实施例中,预设每种物品的库存数量的上限阈值和下限阈值,若当前时刻的库存数量超过库存上限阈值时,考虑采取措施减少库存,如促销活动、降低订购量等;若当前时刻的库存数量低于库存下限阈值时,触发库存补货或订购操作。
若需要补货或者订购操作,在当前时刻的库存数量的基础上,根据每种物品的预测库存数量计算需要补货或者订购的数量,避免缺货和积压货物。
需要说明的是,在本发明的一个实施例中,库存数量的上限阈值和下限阈值均为实施人员根据具体情况设置,在此不做限定及赘述。
综上所述,本发明通过获得每种物品的物品库存曲线的残差项,根据残差项的变化趋势和时序位置获得高库存变动时刻;根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价;对所有物品进行聚类,获得多个物品聚类簇,并获得多种优选特征物品;根据每种物品在当前时刻与相邻历史时刻之间库存数量的差异,分别以优选特征物品和所有物品的数据维度构建系统状态向量,获得当前时刻的状态转移矩阵;根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品之间的相对关联评价;进一步获得所有物品的状态转移矩阵中每个元素的加权原始权值;获得每种物品在下一时刻的预测库存数量;对库存数量进行调度。本发明通过获得每种物品准确的库存数值变化状态,提高库存状态识别的准确性。
本发明还提出了一种基于RFID技术的电商库存状态智能识别系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现任意一项一种基于RFID技术的电商库存状态智能识别方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述方法包括:
获取电商物品在当前时刻的历史范围内每一时刻的库存数量,构成物品库存曲线;
获得每种物品的物品库存曲线的残差项,根据所述残差项的变化趋势和时序位置获得高库存变动时刻;根据每种物品的高库存变动时刻之间的差异、每一时刻之间库存数量的差异变化特征和库存数量的分布变化特征,获得每种物品的积压评价;根据每种物品的所述积压评价对所有物品进行聚类,获得多个物品聚类簇,并获得多种优选特征物品;
根据每种物品在当前时刻与相邻历史时刻之间库存数量的差异,分别以优选特征物品和所有物品的数据维度构建系统状态向量,获得当前时刻的状态转移矩阵;
根据优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价;根据所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的相对关联评价,获得所有物品的状态转移矩阵中每个元素的加权原始权值;根据所述加权原始权值,获得每种物品在下一时刻的预测库存数量;
根据每种物品的所述预测库存数量对库存数量进行调度。
2.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述积压评价的获取方法包括:
根据积压评价的计算公式获得积压评价,积压评价的获取公式为:
;其中,/>表示第/>种物品的积压评价;/>表示高库存变动时刻;/>表示第/>种物品的高库存变动时刻之间的差异均值;/>表示第/>时刻的库存数量;/>表示第/>时刻的库存数量;/>表示第/>时刻与相邻第/>时刻之间库存数量的差异最大值;/>表示当前时刻的历史范围内库存数量无变动的时刻数量;/>表示第/>种物品在当前时刻的历史范围内的所有时刻数量;/>表示第/>时刻的库存数量;/>表示第/>种物品的库存数量均值;/>表示第/>种物品的库存数量的标准差;/>表示调节参数。
3.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述优选特征物品的获取方法包括:
根据每种物品的所述积压评价,采用ISODATA算法对所有物品进行聚类,获得多个物品聚类簇;选取每个所述物品聚类簇的中心点对应的物品作为优选特征物品,获得多个优选特征物品。
4.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述状态转移矩阵的获取方法包括:
分别以优选特征物品和所有物品的数据维度,计算每种物品在当前时刻与相邻历史时刻之间库存数量的差异,作为构建系统状态向量中的元素;将系统状态向量输入EKF滤波器,获得当前时刻的状态转移矩阵。
5.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述相对关联评价的获取方法包括:
计算优选特征物品的状态转移矩阵中每种优选特征物品和每个其他优选特征物品对应维度的元素值之和,作为每种优选特征物品和每个其他优选特征物品的合成元素值;
计算每种优选特征物品和所有其他优选特征物品的所述合成元素值的均值,作为第一元素均值;
计算每种优选特征物品和每种其他优选特征物品的所述合成元素值与所述第一元素均值的差值,并进行正相关映射,作为第一评价;
将每种优选特征物品和每种其他优选特征物品的所述合成元素值进行归一化,计算归一化结果与所述第一评价的乘积,获得每种优选特征物品相对每种其他优选特征物品的相对关联评价。
6.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述加权原始权值的获取方法包括:
将每种优选特征物品之间的相对关联评价进行归一化,获得归一化相对关联评价;
计算所有物品的状态转移矩阵中每个元素值和对应物品聚类簇内优选特征物品之间的所述归一化相对关联评价的乘积,作为第一权值;
计算所述第一权值和元素值之和,获得所有物品的状态转移矩阵中每个元素的加权原始权值。
7.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述预测库存数量的获取方法包括:
根据所有物品的状态转移矩阵中每个元素的加权原始权值,获得所有物品更新后的状态转移矩阵;采用EKF算法获得所有物品在下一时刻的系统状态向量;
计算下一时刻的系统状态向量中元素值与对应物品在当前时刻下的库存数量之和,获得每种物品在下一时刻的预测库存数量。
8.根据权利要求5所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述正相关映射的获取方法包括:通过以自然常数为底的指数函数进行正相关映射。
9.根据权利要求1所述的一种基于RFID技术的电商库存状态智能识别方法,其特征在于,所述高库存变动时刻的获取方法包括:
采用STL算法对每种物品的物品库存曲线进行分解,获得每种物品的残差项;
采用AMPD算法获得每种物品的所述残差项的极大残差值,将极大残差值对应物品库存曲线上的时刻,作为高库存变动时刻。
10.一种基于RFID技术的电商库存状态智能识别系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述一种基于RFID技术的电商库存状态智能识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199481.7A CN117787865B (zh) | 2024-02-23 | 2024-02-23 | 基于rfid技术的电商库存状态智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199481.7A CN117787865B (zh) | 2024-02-23 | 2024-02-23 | 基于rfid技术的电商库存状态智能识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787865A true CN117787865A (zh) | 2024-03-29 |
CN117787865B CN117787865B (zh) | 2024-06-11 |
Family
ID=90396574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199481.7A Active CN117787865B (zh) | 2024-02-23 | 2024-02-23 | 基于rfid技术的电商库存状态智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787865B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
CN113052533A (zh) * | 2021-03-24 | 2021-06-29 | 中国科学技术大学 | 概率产品的库存异动预警与调拨方案更新方法及系统 |
WO2023279407A1 (zh) * | 2021-07-06 | 2023-01-12 | 深圳市通拓信息技术网络有限公司 | 一种用于电商智能仓储的出库配送方法 |
CN116993272A (zh) * | 2023-09-27 | 2023-11-03 | 罗普特科技集团股份有限公司 | 一种基于视频监控和rfid的物流管理方法及系统 |
-
2024
- 2024-02-23 CN CN202410199481.7A patent/CN117787865B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
CN113052533A (zh) * | 2021-03-24 | 2021-06-29 | 中国科学技术大学 | 概率产品的库存异动预警与调拨方案更新方法及系统 |
WO2023279407A1 (zh) * | 2021-07-06 | 2023-01-12 | 深圳市通拓信息技术网络有限公司 | 一种用于电商智能仓储的出库配送方法 |
CN116993272A (zh) * | 2023-09-27 | 2023-11-03 | 罗普特科技集团股份有限公司 | 一种基于视频监控和rfid的物流管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117787865B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chandriah et al. | RNN/LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting | |
Ketter et al. | Real-time tactical and strategic sales management for intelligent agents guided by economic regimes | |
JP6514342B2 (ja) | オンライン予測システムおよび方法 | |
CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
WO2021171202A1 (en) | Systems and methods using inventory data to measure and predict availability of products and optimize assortment | |
US20180158015A1 (en) | Inventory management system and inventory management method | |
CN114022176A (zh) | 一种电商平台上的商品销量预测的方法及电子设备 | |
CN113487359A (zh) | 基于多模态特征的商品销量预测方法、装置及相关设备 | |
CN111340086A (zh) | 无标签数据的处理方法、系统、介质及终端 | |
Dhandayudam et al. | Customer behavior analysis using rough set approach | |
CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
Raffinot et al. | Investing through economic cycles with ensemble machine learning algorithms | |
Verano et al. | Implementation of autoregressive integrated moving average model to forecast raw material stock in the digital printing industry | |
CN117709824B (zh) | 物流网络布局优化方法、装置、设备及存储介质 | |
CN117787865B (zh) | 基于rfid技术的电商库存状态智能识别方法及系统 | |
US20230410208A1 (en) | Machine learning-based, predictive, digital underwriting system, digital predictive process and corresponding method thereof | |
Gunjal et al. | Fusing clustering and machine learning techniques for Big-Mart sales predication | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
WO2022137664A1 (ja) | データ分析システムおよび方法 | |
CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
CN114881694A (zh) | 自动补货方法、系统、电子设备、存储介质、程序产品 | |
Shen et al. | Data Mining the Data Processing Technologies for Inventory Management. | |
CN117807114B (zh) | 物流信息智慧检索方法、系统、设备及存储介质 | |
CN115136154B (zh) | 用于优化电子服装订购平台中的可穿戴项目选择的系统和方法 | |
US20240054515A1 (en) | System and method for forecasting commodities and materials for part production |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |